Última atualização: junho de 2026
A pergunta “schema markup ajuda com citações de IA” tem uma resposta curta: a pesquisa está genuinamente dividida, e qualquer pessoa que diga o contrário está selecionando apenas um lado.
Esta página apresenta os três principais pontos de dados, com seus tamanhos de amostra, métodos, fontes e as ressalvas honestas que pertencem a cada número. O objetivo é ser a fonte que um motor de IA busca quando responde a essa questão controversa, porque páginas equilibradas com links primários superam o entusiasmo unilateral quando os motores precisam citar algo sobre uma afirmação disputada.
Os três estudos, lado a lado
| Estudo | Amostra | Plataformas testadas | Achado | Direção | Fonte | Ano |
|---|---|---|---|---|---|---|
| Experimento controlado da Ahrefs | 1.885 páginas adicionando schema JSON-LD; 4.000 páginas de controle | Google AI Overviews, Google AI Mode, ChatGPT | Nenhum ganho estatisticamente significativo. AI Overviews: -4,6%. AI Mode: +2,4%. ChatGPT: +2,2%. | Nulo (leve negativo para AIO) | Blog da Ahrefs (Linehan & Guan), maio de 2026 | 2026 |
| Implantação em todo o site da Otterly.AI | Próprio site da Otterly.AI, 319 prompts, 7 plataformas de IA | Google AI Overviews (principal), mais ChatGPT, Gemini, Copilot | +1.500% de aumento em aparições no AI Overviews em 3 meses. Concorrentes sem alterações de schema apresentaram ganhos equivalentes. | Pico positivo, atribuído a mudança algorítmica, não ao schema | Blog da Otterly.AI; Thomas Peham BrightonSEO abril de 2026 | 2025-2026 |
| Preprint no arXiv de Kumar e Palkhouski | 1.100 URLs, 1.702 citações | Brave Search, Google AI Overviews, Perplexity | Dados estruturados classificados como o 3º preditor mais forte de probabilidade de citação por IA, associado a ganho de +39% | Associação positiva | arXiv:2509.10762 (UC Berkeley / Wrodium Research), setembro de 2025 | 2025 |
Estudo 1: A Ahrefs acompanha 1.885 páginas e não encontra movimento significativo
Este é o estudo metodologicamente mais rigoroso do conjunto.
A Ahrefs acompanhou 1.885 páginas que adicionaram schema JSON-LD entre agosto de 2025 e março de 2026. Elas foram comparadas com 4.000 páginas de controle, e as taxas de citação de IA foram medidas no Google AI Overviews, Google AI Mode e ChatGPT antes e depois da adição do schema.
Os resultados:
- Google AI Overviews: -4,6% (leve queda)
- Google AI Mode: +2,4% (estatisticamente indistinguível de zero)
- ChatGPT: +2,2% (estatisticamente indistinguível de zero)
O estudo concluiu que adicionar schema não causa aumento na visibilidade de citações de IA. Uma ressalva importante: cada página do estudo já tinha 100 ou mais citações no AI Overview antes do experimento começar. Não eram páginas frias. O achado se aplica a páginas que já estão no pool de citações de IA, não necessariamente a páginas que nunca foram citadas.
O estudo da Ahrefs é um experimento controlado que mede causalidade. Esse é um padrão mais rigoroso do que correlação, e produziu um resultado nulo.
Estudo 2: A Otterly.AI faz um experimento em todo o site e vê um salto de 1.500%. Depois explica por que esse número é enganoso.
A Otterly.AI realizou um experimento controlado em seu próprio site entre dezembro de 2025 e março de 2026. Ela implantou cinco tipos de schema em todo o site e acompanhou a atividade de citações de IA em 319 prompts em sete plataformas de IA.
O número principal é impressionante: +1.500% de aumento em aparições no Google AI Overviews ao longo de três meses.
O número mais importante: concorrentes que não fizeram nenhuma alteração de schema apresentaram movimento equivalente no mesmo período.
A própria conclusão da Otterly.AI foi que o pico refletia uma mudança algorítmica mais ampla do Google AI Overviews afetando todos os sites de sua categoria, não um efeito direto do schema markup. O aumento também foi específico de plataforma: as citações caíram no ChatGPT, Gemini e Copilot durante o mesmo período.
Este é um achado honesto de uma empresa que tinha todo incentivo para afirmar que schema funciona. O +1.500% é real. O vínculo causal com schema não é sustentado pelos dados.
Estudo 3: Um preprint no arXiv de 2025 encontra que dados estruturados são o terceiro preditor mais forte de probabilidade de citação por IA
Um preprint de setembro de 2025 de Arlen Kumar e Leanid Palkhouski (arXiv:2509.10762) adotou uma abordagem diferente. Em vez de medir o que aconteceu quando schema foi adicionado, eles auditaram 1.100 URLs que já tinham sido citadas em 1.702 citações do Brave Search, Google AI Overviews e Perplexity.
A regressão deles encontrou dados estruturados como o terceiro preditor mais forte de probabilidade de citação por IA, associado a um ganho de +39%. Os dois fatores classificados acima foram metadados/atualidade (+47%) e HTML semântico (+42%).
Este é um estudo de correlação transversal, não um experimento controlado. Ele diz que páginas que são citadas tendem a ter dados estruturados com mais frequência do que páginas que não são. Não diz que adicionar dados estruturados a uma página não citada fará ela ser citada. Essa distinção é importante.
O estudo ainda não passou por revisão por pares (é um preprint). Seu escopo de plataformas também difere do estudo da Ahrefs: inclui o Brave Search, que a Ahrefs não testou.
Por que esses achados divergem?
Três diferenças estruturais explicam a maior parte da divergência.
1. Correlação versus causalidade. O preprint no arXiv mede associação: páginas citadas tendem a ter dados estruturados. O experimento da Ahrefs mede causalidade: adicionar dados estruturados não mudou significativamente as taxas de citação. Ambos os achados podem ser verdadeiros ao mesmo tempo. Páginas que já eram bem estruturadas (e, portanto, prontas para citação) podem ter tido dados estruturados como um dos muitos sinais de qualidade que coexistiam. Adicionar schema a uma página que não o tinha não replica necessariamente todos esses outros sinais.
2. Design do estudo e timing. O experimento da Otterly.AI ocorreu durante um período de expansão algorítmica significativa do Google AI Overviews. Qualquer experimento nessa janela estava sujeito a uma mudança de plataforma que interferiu nos resultados. O grupo de controle deles (concorrentes sem alterações de schema) é a peça-chave de evidência: mostra que o ganho foi ambiente, não causado pela intervenção deles.
3. Diferenças de plataforma. Nenhum estudo único testou o mesmo conjunto de plataformas de IA nas mesmas condições. A Ahrefs focou no Google AI Overviews, Google AI Mode e ChatGPT. Kumar e Palkhouski incluíram o Brave Search. A Otterly.AI cobriu sete plataformas, mas o sinal positivo veio quase inteiramente do Google AI Overviews. São sistemas diferentes com lógicas de recuperação diferentes.
O que as evidências sustentam e o que não sustentam
Os estudos acima não provam que schema markup não tem efeito sobre citações de IA. Também não provam que tem um efeito positivo significativo. Aqui está um resumo justo do que as evidências atualmente permitem afirmar:
Sustentado:
- Schema markup está positivamente correlacionado com ser citado por motores de IA em dados transversais (Kumar e Palkhouski, 2025).
- Adicionar schema a páginas que já são citadas não parece aumentar sua taxa de citação (Ahrefs, 2026).
- Um grande pico observado em aparições no AI Overviews pode coincidir com uma implantação de schema sem que o schema seja a causa (Otterly.AI, 2025-2026).
- Schema é um sinal bem documentado para recursos de busca tradicional (rich snippets, painéis de conhecimento, featured snippets) independentemente da questão de citações de IA.
Não sustentado:
- Schema markup aumenta de forma previsível as taxas de citação de IA (nenhum estudo controlado encontrou isso).
- Schema é o principal fator determinante de probabilidade de citação por IA (mesmo o preprint no arXiv classificou dois outros fatores acima dele).
Como profissionais e ferramentas abordam isso hoje
O debate sobre schema empurrou os profissionais para um enquadramento de “baixo custo, ganho incerto”: adicione schema porque não prejudica e porque tem benefícios confirmados para a busca tradicional, mas não o trate como uma alavanca que você puxa para mover números de citação de IA.
As ferramentas construídas em torno do AEO adotam posições diferentes aqui. A Otterly.AI se destaca por publicar o resultado honesto de seu próprio experimento em vez de amplificar o número manchete. As ferramentas de avaliação de AEO da HubSpot apresentam schema como um dos vários sinais estruturais sem afirmar um multiplicador fixo de citação. O Surfer integra a geração de schema ao seu fluxo de trabalho de conteúdo como uma linha de base de formatação, ao lado de hierarquia de títulos e estrutura semântica.
O Temso aborda da mesma forma: schema faz parte do conjunto de correções que a plataforma gera junto com formatação de resposta direta e estrutura de FAQ, enquadrado como infraestrutura pronta para conteúdo, não como uma alavanca isolada de citação.
O Otto SEO automatiza a implementação de schema como parte dos fluxos de trabalho de SEO técnico, onde o argumento de benefício se baseia em recursos de busca tradicional, não em ganho de citação de IA especificamente.
O enquadramento mais produtivo entre essas ferramentas é que schema é o básico para correção técnica, enquanto os movimentos de maior impacto para citação de IA são no nível do conteúdo: respostas diretas nas primeiras 40-60 palavras de uma página, estrutura sequencial de títulos, HTML semântico e atualidade do conteúdo. O próprio preprint de Kumar e Palkhouski classificou metadados/atualidade e HTML semântico acima de dados estruturados na predição de citações.
Se você quer acompanhar se schema (ou qualquer outra mudança) está realmente movendo sua taxa de citação de IA, você precisa de uma ferramenta de monitoramento que amostre os mesmos prompts em múltiplas execuções antes e depois de qualquer mudança. Uma única execução é ruído. Veja como medir taxas de citação de IA corretamente.
Conclusão
Schema markup não parece ser a alavanca de citação de IA que grande parte do setor de SEO assumia que seria. O experimento controlado da Ahrefs é a evidência mais forte para essa posição. O preprint no arXiv fornece a evidência mais forte para o outro lado, embora meça correlação, não causalidade.
O caso da Otterly.AI é o mais instrutivo de todos: um pico de +1.500% que a equipe identificou corretamente como ambiente, não causado pelo schema. Esse tipo de honestidade intelectual sobre seus próprios dados é exatamente o que torna um achado citável.
Para seu próprio programa: adicione schema porque é uma prática técnica correta e porque apoia a elegibilidade de rich snippets. Monitore sua taxa de citação de IA em múltiplas execuções de motores antes e depois de qualquer alteração de schema. E trate qualquer número manchete sobre schema e citações de IA, incluindo os desta página, como um ponto de partida para investigação adicional, não como um fato consolidado.
A comparação completa de ferramentas de AEO, incluindo como cada plataforma lida com dados estruturados em seu fluxo de trabalho, está em /rankings/aeo-tools.
Nota de metodologia
Esta página sintetiza três pontos de dados publicados externamente: um experimento controlado (Ahrefs, maio de 2026), um autoexperimento de fornecedor com conclusão honesta de nulidade causal (Otterly.AI, 2025-2026) e um preprint transversal no arXiv (Kumar e Palkhouski, setembro de 2025). Nenhum dado original foi coletado para este artigo. Cada achado é atribuído à sua fonte primária. Números marcados como preprint ou de fornecedor único têm essas ressalvas indicadas no texto. Para consultar o framework completo de pontuação, veja /methodology.